تحسين نموذج التعلم الآلي باستخدام Optuna للتنبؤ الدقيق بالقوة وسلوك الشقوق في العتبات الخرسانية المسبقة الإجهاد

لماذا يهم التنبؤ بالشقوق في الخرسانة

تعتمد الجسور والمباني الكبيرة على عتبات خرسانية طويلة تحمل بصمت حركة المرور والظروف الجوية لعدة عقود. العديد من هذه العتبات تكون «مسبقة الإجهاد»—حيث تُشد كابلات فولاذية داخل الخرسانة حتى تقاوم التشقق والترهل. عندما تفقد هذه العتبات قوتها أو تبدأ في التشقق بشكل غير متوقع، قد تكون العواقب وخيمة: إصلاحات باهظة التكلفة، إغلاق طرق، أو حتى حوادث. ومع ذلك، فإن اختبار العتبات بالحجم الكامل في المختبر مكلف وبطيء. تستعرض هذه الدراسة كيف يمكن للتعلم الآلي الحديث، المولف بعناية باستخدام أداة تحسين تسمى Optuna، أن يتنبأ بقوة هذه العتبات وسلوك شقوقها باستخدام بيانات اختبارات متوفرة بدلاً من تجارب ميدانية كبيرة جديدة.

من نتائج اختبار متفرقة إلى مورد بيانات غني

جمَع الباحثون أولاً مجموعة كبيرة من نتائج الاختبارات على العتبات الخرسانية المسبقة الإجهاد من 22 دراسة منشورة، فتوصلوا إلى 626 مجموعة بيانات لعتبات. وُصفت كل عتبة بـ21 ميزة قابلة للقياس، مثل عرضها وارتفاعها، وكمية وموقع التسليح الفولاذي، وتفاصيل كابلات الإجهاد المسبق. أما النتائج التي اهتموا بها فشملت متى يتكوّن أول شق جاد (قيمة عزم التشقق)، والحمولة التي تتحملها العتبة قبل الفشل (القيمة العظمى للعزم)، والمسافة المتوسطة بين الشقوق، ومدى اتساع أكبر شق. قاموا بتنظيف وتوحيد هذه البيانات المختلطة بعناية حتى لا تضلل الاختلافات في الوحدات وإعدادات الاختبار النماذج، ثم احتفظوا بجزء من البيانات لاختبارات مستقلة وعادلة.

تعليم الحواسيب قراءة إشارات الفشل

بدلاً من الاعتماد على الصيغ التقليدية، التي كثيراً ما تكافح مع واقع المنشآت المعقد، درّب الفريق أربعة نماذج شائعة من التعلم الآلي لتتعلم الأنماط مباشرة من البيانات: أشجار القرار، الغابات العشوائية، XGBoost، وLightGBM. تعمل هذه النماذج عبر بناء العديد من قواعد القرار من الميزات المدخلة للتنبؤ بكيفية تصرف العتبة. ومع ذلك، يعتمد أداؤها بشكل كبير على ضبط «مقابض» تُعرف بفرط المعاملات—مثلاً، إلى أي عمق تُسمح لشجرة القرار بالنمو، كم عدد الأشجار المستخدمة، ومدى سرعة تعلم النموذج. قد تؤدي إعدادات غير مناسبة إلى نماذج بطيئة أو غير دقيقة أو مبالغة في التكيّف (overfitting) تفشل عند مواجهة عتبات جديدة.

السماح لـOptuna بالبحث عن أفضل الإعدادات

لمعالجة تحدي الضبط، استخدم الباحثون Optuna، وهو إطار عمل حديث للتحسين يستكشف تلقائياً تراكيب واعدة من فرط المعاملات بدلاً من تجربتها يدوياً. لكل إعداد محتمل، قام Optuna بتدريب نموذج، وفحص مدى دقته في التنبؤ بأداء العتبة، ثم استخدم تلك الملاحظات لاقتراح إعدادات أفضل لاحقاً. كما فحص الفريق منحنيات التعلم لاختيار عدد جيد من جولات التدريب، متجنبين النماذج التي تتوقف مبكراً أو تتعلم أكثر من اللازم. أسفرت هذه العملية عن فائز واضح: نموذج LightGBM المولف بواسطة Optuna تنبأ بقوة العتبات بمعامل تحديد R² أعلى من 0.98 وبمقاومة الشقوق بمعامل R² أعلى من 0.8، ما يعني أن توقعاته تطابقت عن كثب مع بيانات الاختبار.

فتح «الصندوق الأسود» للتعلم الآلي

الدقة العالية بمفردها لا تكفي للمهندسين الذين يحتاجون إلى فهم سبب إصدار النموذج لتنبؤات معينة قبل الوثوق به في التصميم أو فحوصات السلامة. لإضفاء مزيد من الشفافية، استخدم المؤلفون SHAP، وهي طريقة تفكك كل تنبؤ إلى مساهمات من الميزات المدخلة الفردية. أظهر SHAP، على سبيل المثال، أن عمق منطقة الانضغاط في العتبة، وكمية الفولاذ المسبوق الإجهاد التي تحتويها، وقوة الخرسانة كلها تؤثر بقوة على متى تتكون الشقوق ومدى اتساعها—وهي رؤى تتسق مع مبادئ الميكانيكا الإنشائية الأساسية. عملياً، لم يكتف نموذج التعلم الآلي بمطابقة الفهم البشري فحسب، بل قاس أيضاً التأثير النسبي لخيارات التصميم المختلفة.

ماذا يعني هذا للمنشآت الواقعية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن التعلم الآلي المولف بعناية يمكن أن يحوّل نتائج الاختبارات المتناثرة إلى أداة عملية لفحص صحة وسلامة العتبات الخرسانية المسبقة الإجهاد. يمكن لنماذج LightGBM وXGBoost المحسّنة بواسطة Optuna مساعدة المهندسين على تقدير متى ستتشقق العتبات وكم حمولة يمكن أن تتحمل بأمان، دون الحاجة إلى تصنيع وكسر عدد كبير من العينات بالحجم الكامل. وبما أن النماذج دقيقة وقابلة للتفسير، فيمكنها توجيه قرارات تصميم أذكى—مثل كمية الفولاذ المطلوب ومكان وضعه—مما يساعد على إطالة عمر الجسور والمباني وتوفير الوقت والمال والمواد.

الاستشهاد: Wen, Y., Guo, R., Duan, Z. et al. Machine learning model optimization with optuna for accurate prediction of strength and crack behavior in prestressed concrete beams. Sci Rep 16, 5822 (2026). https://doi.org/10.1038/s41598-026-36692-y

الكلمات المفتاحية: العتبات الخرسانية المسبقة الإجهاد, تنبؤ الشقوق, التعلم الآلي, تحسين فرط المعاملات, الهندسة الإنشائية